在深度學習中，解決訓練數(shù)據(jù)不足常用的一個技巧是“預訓練-微調”（Pretraining-finetune），即大數(shù)據(jù)集上面預訓練模型，然后在小數(shù)據(jù)集上去微調權重。但是，在訓練數(shù)據(jù)極其稀少的時候（只有個位數(shù)的訓練圖片），這個技巧是無法奏效的。圖2展示了一個檢測模型預訓練過后，在單張訓練圖片上微調的過程：盡管訓練集上逐漸收斂，但是檢測器仍無法檢測出測試圖片中的物體。這反映出了“預訓練-微調”框架的泛化能力不足。利用SpeedDP經(jīng)過大量的數(shù)據(jù)訓練后，機器就能夠精確檢測跟蹤圖像中的物體。慧視光電基于AI圖像處理的監(jiān)控監(jiān)管方案能夠實現(xiàn)安全生產(chǎn)。浙江目標跟蹤工程

目標檢測和跟蹤是計算機視覺領域中的重要任務之一。隨著深度學習的興起，YOLO（You Only Look Once）算法在目標檢測和跟蹤領域引起了廣關注。YOLO算法是一種在實時目標檢測和跟蹤領域具有重要地位的算法。通過引入卷積神經(jīng)網(wǎng)絡和一系列先進技術，YOLO算法在速度和準確性方面取得了明顯的進展。然而，仍然有一些挑戰(zhàn)需要解決，如目標尺度變化、小目標檢測和復雜背景干擾等。隨著研究的不斷深入和技術的不斷發(fā)展，YOLO算法有望在實時目標檢測和跟蹤領域發(fā)揮更大的作用。浙江目標跟蹤工程AI圖像處理板能實現(xiàn)24小時、無間隙信息化監(jiān)控。

通常，遮擋可以分為三種情況：目標間遮擋、背景遮擋、自遮擋。對于目標之間的相互遮擋，可以選擇根據(jù)目標的位置和目標特征的先驗知識來處理這一問題。而對于場景結構的導致的部分遮擋此方法則難以判斷，因為難以辨認究竟是目標形狀發(fā)生變化還是發(fā)生遮擋。所以，處理遮擋問題的通用方法是用線性或非線性動態(tài)建模方法對運動目標進行，并在目標發(fā)生遮擋時，預測目標的可能位置，一直到目標重新出現(xiàn)時再修正它的位置。可以用卡爾曼濾波器來實現(xiàn)估計目標的位置，也可以用粒子濾波對目標做狀態(tài)估計。

序列圖像的差異通常是運動目標檢測和跟蹤的出發(fā)點，認為目標的運動是圖像差異的根本原因。但是，這是建立在背景本身不運動的前提下的。因此，在許多跟蹤系統(tǒng)中，比如車載，由于車的振動導致傳感器位置的變化，表現(xiàn)在圖像上就是背景的運動，因此在做差圖像和背景自動更新之前，都必須先經(jīng)過配準，即讓所有圖像在都同一個坐標系之下，以消除背景的運動。在不同的應用場合，配準的方法多種多樣，比如當兩個圖像之間只有平移變化時，計算出它們的平移量即可實現(xiàn)配準；由于平移變化對圖像的相位信息影響較大，在頻率域利用相位相關可以實現(xiàn)配準。Viztra-LE034圖像跟蹤板支持目標跟蹤識別目標（人、車）。

在許多領域，無人機的作業(yè)環(huán)境相對復雜，需要識別處理圖像背景目標眾多，這種環(huán)境下，要想實現(xiàn)更高精度的檢測識別效果，圖像處理板的性能至關重要。在慧視光電開發(fā)的多款圖像處理板中，Viztra-HE030圖像處理板以6.0TOPS得以勝任。這款板卡采用了瑞芯微旗艦級芯片RK3588，8nmLP制程，搭載八核64位CPU，主頻高達2.4GHz。集成ARMMali-G610MP4四核GPU，內(nèi)置AI加速器NPU，支持主流的深度學習框架。性能強勁的RK3588可為無人機AI識別的應用場景帶來更強大的性能表現(xiàn)。慧視光電的圖像處理板跟蹤精度小于1個像素。人防目標跟蹤解決

USB接口轉網(wǎng)絡輸出的視頻跟蹤板。浙江目標跟蹤工程

長時間一直進行這樣的圖像標注工作，那無疑是枯燥而乏味的，手酸不說，更多的是精神上的折磨，進而效率大打折扣。但這又是算法提升的必要途徑，無法跳過，當項目緊急時，甚至需要多人加班加點趕進度。這樣的痛苦現(xiàn)狀急需改變！慧視光電的算法工程師為了提高這一的效率，開發(fā)了一個深度學習算法開發(fā)平臺SpeedDP。它的基本邏輯是基于一個手動標注一定量的數(shù)據(jù)集進行訓練，形成一個可用的預選模型（如果已有模型可以直接使用），然后訓練一定階段后，可以評估此模型的能力，如果能夠滿足使用就可以對相同目標的新數(shù)據(jù)集（未進行任何標注）進行AI自動化標注。這一過程的省去了大量需要對新數(shù)據(jù)集的手動拉框工作，同時也在不斷反哺此模型算法，幫助提升性能。浙江目標跟蹤工程